[论文解读] Recurrent neural network-based user authentication for freely typed keystroke data

Junhong Kim, Pilsung Kang|arXiv (Cornell University)|Jun 16, 2018

User Authentication and Security Systems参考文献 15被引用 8

一句话总结

该论文提出了一种基于RNN的敲击动力学认证（RNN-KDA）模型，通过使用连续的按键对作为输入，并以实际的输入时间作为目标，处理可变长度、自由输入的文本。该模型仅需10次测试按键即可实现5-6%的等错误率（EER），显著优于基准方法（EER超过20%），并且在训练长度增加时表现出更快、更稳定的性能提升。

ABSTRACT

Keystroke dynamics-based user authentication (KDA) based on long and freely typed text is an enhanced user authentication method that can not only identify the validity of current users during login but also continuously monitors the consistency of typing behavior after the login process. Previous long and freely typed text-based KDA methods had difficulty incorporating the key sequence information and handling variable lengths of keystrokes, which in turn resulted in lower authentication performance compared to KDA methods based on short and fixed-length text. To overcome these limitations, we propose a recurrent neural network (RNN)-based KDA model. As the RNN model can process an arbitrary length of input and target sequences, our proposed model takes two consecutive keys as the input sequence and actual typing time for the corresponding key sequence as the target sequence. Based on experimental results involving 120 participants, our proposed RNN-KDA model yielded the best authentication performance for all training and test length combinations in terms of equal error rate (EER). It achieved a 5%-6% EER using only 10 test keystrokes while the EERs of other benchmark methods were above 20%. In addition, its performance steadily and more rapidly improves compared to the benchmark methods when the length of training keystrokes increases.

研究动机与目标

• 为解决现有敲击动力学认证（KDA）方法在处理可变长度、自由输入文本以及序列建模能力不足方面的局限性。
• 通过整合按键序列信息并处理长文本中的可变输入长度，提升认证准确性。
• 开发一种稳健的、端到端的基于RNN的模型，从真实世界中非受控的打字行为中学习时间上的打字模式。
• 在不同训练和测试序列长度下评估模型性能，特别是针对极少量数据的情况。

提出的方法

• RNN-KDA模型使用两个连续的按键作为输入序列，以捕捉序列化的打字模式。
• 它为每对按键预测实际的打字时间（按键间隔时间），并将此作为目标序列。
• 该模型利用RNN处理可变长度序列的能力，有效应对不同长度的打字输入。
• 训练过程旨在学习从按键对到其对应时间行为的映射，从而捕捉用户特定的打字动态。
• 该架构在120名参与者的打字数据上进行端到端训练，以优化认证准确性。
• 通过在多种训练和测试长度组合下计算等错误率（EER）来评估模型性能。

实验结果

研究问题

• RQ1 基于RNN的模型能否有效建模可变长度、自由输入的敲击序列以实现用户认证？
• RQ2 在短测试序列下，所提出的RNN-KDA模型与现有KDA方法相比，在认证准确性方面表现如何？
• RQ3 与基准方法相比，RNN-KDA模型在训练序列长度增加时，其性能是否提升得更快且更稳定？
• RQ4 在非受控打字场景中，引入按键序列信息在多大程度上提升了认证性能？

主要发现

• RNN-KDA模型仅使用10次测试按键即实现了5-6%的等错误率（EER），显著优于基准方法（EER超过20%）。
• 随着训练按键长度的增加，该模型的认证性能提升得比基准方法更迅速且更稳定。
• 在所有评估的训练与测试长度组合中，RNN-KDA模型均表现出更优的泛化能力。
• 通过建模连续按键对及其时间间隔，该模型有效捕捉了序列化打字模式，从而增强了用户特定行为的建模效果。